Gluten Network of Dough Affected by Addition of γ-Polyglutamic Acid
-
摘要:目的 了解和面过程中添加γ-聚谷氨酸对面团面筋网络结构的影响,为γ-聚谷氨酸在烘焙食品中的合理应用提供参考。方法 以γ-聚谷氨酸的添加量为变量,利用核磁共振及核磁共振成像技术观察面团内部水分含量和状态的变化,结合质构仪和环境扫描电镜技术进一步对面团的质构特性、拉伸特性及微观结构进行分析;设置不同γ-聚谷氨酸添加量处理,在和面过程的不同时间进行取样,研究面团制作的不同阶段γ-聚谷氨酸对其面筋网络结构的影响。结果 添加0.3%的γ-聚谷氨酸时,质子密度M21、M22最大,表明有更多的水分截留在蛋白质-淀粉形成的网络结构中;质子密度成像结果也显示出密集且均匀的红色部分;质构特性及电镜成像与核磁共振测定结果一致,并且γ-聚谷氨酸会延长面团完成时间,其面筋网络结构最稳定。试验结果表明,当γ-聚谷氨酸的添加量为0.3%、和面时间为23 min时,面团品质最佳。结论 在面包的和面过程中添加适量的γ-聚谷氨酸,有利于提高面团的品质,但过量的γ-聚谷氨酸则会影响面团的品质。Abstract:Objective Effect of γ-polyglutamic acid on the structure of gluten network during dough-making was studied.Method Amount ofγ-polyglutamic acid added to the dough was set as variable for the experiment. Moisture and structure of the dough were observed by nuclear magnetic resonance and magnetic resonance imaging techniques. Texture, tensile properties and microstructure of the dough were measured by a texture analyzer and an environmental scanning electron microscopy. Based on these parameters, the effects of γ-polyglutamic acid additions on the gluten network at different stages of dough formation were studied.Result At 0.3% addition of γ-polyglutamic acid in the dough, the proton density M21 and M22 peaked reaching a maximum water entrapment in the protein-starch network. The proton density imaging showed a dense and uniform red portion in the dough. The texture measurements and electron microscopy imaging displayed consistent results as did the nuclear magnetic measurements. Addition of γ-polyglutamic acid prolonged the dough-making time resulting in a most stable network structure.Conclusion An addition of γ-polyglutamic acid at 0.3% in the dough with 23 min for a complete network formation would improve, but excessive additions be detrimental to, the quality of the baked bread.
-
Keywords:
- γ-polyglutamic acid /
- addition /
- nuclear magnetic resonance /
- texture profile analysis /
- dough
-
大豆起源于我国,是重要的植物蛋白和食用植物油来源,也是重要的轻工业原料和饲料[1-3]。福建省春大豆栽培历史悠久,大豆种质资源丰富多样。研究大豆种质多样性对其种质的收集、保存、评价、利用具有指导意义。分析不同种质农艺性状的差异性是研究种质资源最简单直观的方法,能全面反映种质间的差异性[4]。
主成分分析的基本思想是用少数几个互不相关的综合指标来代替原本具有一定相关性的多个指标,以反映样品的基本信息,达到降维的目的,每个综合指标都是多个原始指标的线性组合[5-8]。该方法已被广泛应用于大豆种质资源的多样性分析中[9-16],如:李清华等[10]利用该方法将34份菜用大豆的16个性状归为4个主成分,分别为荚数因子、荚大小因子、出仁率因子、株型因子,其累计贡献率达81.522%,并根据前述4个主成分值计算各品种的遗传距离,将34份种质分成7个大类群;张恒斌等[14]利用该方法对26份新疆大豆资源的形态多样性进行分析,表明大豆品种的生物学性状可分为产量性状因子和粒重性状因子,并根据第一主成分值和第二主成分值将26份种质分成7个大类。
为了解2018年福建省泉州市农业科学研究所种植的春大豆种质资源的多样性,本试验采用相关性分析、主成分分析、聚类分析等方法对39份春大豆种质的7个农艺性状指标和2个品质性状指标进行分析,以期为今后利用这些种质资源配制杂交亲本提供科学依据。然而,前人的研究仅仅是利用农艺性状指标[9, 11-12, 15-16]或者主成分值[10, 14]对大豆种质资源进行聚类分析,而同时采用两种聚类方法进行分析并比较其结果的研究未见报道。本试验同时采用两种聚类方法进行聚类分析,并比较其结果,探讨其结果是否一致。
1. 材料与方法
1.1 试验材料
参试39份春大豆种质材料名称及来源见表 1。
表 1 参试39份春大豆种质材料名称及来源Table 1. Name and sources of 39 soybean germplasms序号 名称 来源 1 中黄302 中国农科院作物所 2 中黄306 中国农科院作物所 3 中黄320 中国农科院作物所 4 中黄325 中国农科院作物所 5 冀豆23 河北农林科学院粮油作物所 6 冀1514 河北农林科学院粮油作物所 7 郑1307 河南省农科院经作所 8 苏豆28号 江苏省农科院作物所 9 苏豆29号 江苏省农科院作物所 10 成豆17 四川省农科院作物所 11 成豆18 四川省农科院作物所 12 贡1245 四川省自贡市农科所 13 贡7183 四川省自贡市农科所 14 南春豆31 四川省南充市农科院 15 赣豆10号 江西省农科院作物所 16 福豆12号 福建省农科院作物所 17 福豆13号 福建省农科院作物所 18 福豆14号 福建省农科院作物所 19 福豆234 福建省农科院作物所 20 莆豆610 福建省莆田市农科所 21 莆豆704 福建省莆田市农科所 22 泉豆17 福建省泉州市农科所 23 泉豆20 福建省泉州市农科所 24 泉豆22 福建省泉州市农科所 25 泉豆23 福建省泉州市农科所 26 泉豆24 福建省泉州市农科所 27 泉豆25 福建省泉州市农科所 28 桂春豆121 广西农科院经作所 29 桂春1016 广西农科院经作所 30 桂春1602 广西农科院经作所 31 桂春1603 广西农科院经作所 32 桂春1805 广西农科院经作所 33 桂春1806 广西农科院经作所 34 华春2号 华南农业大学农学院 35 华春7号 华南农业大学农学院 36 华春11号 华南农业大学农学院 37 粤春2016-1 华南农业大学农学院 38 粤春2016-2 华南农业大学农学院 39 粤春2017-1 华南农业大学农学院 1.2 试验方法
1.2.1 材料的种植
试验于2018年3月在福建省泉州市农业科学研究所的晋江紫帽基地进行。参试材料为39份春大豆种质资源,采取随机区组设计,3次重复,试验地四周设有保护行,每小区4行,行长6 m,行距0.50 m,株距0.185 m,双行穴播,穴播3粒种子,每穴留苗2株,治虫不治病,田间管理同大田。
1.2.2 采样与考种
成熟时每个小区随机选取10株连根拔起,进行室内考种,以每个性状10次考种数据的平均值作为该性状指标值,并选取其中7个主要农艺性状指标进行分析,性状代号及名称见表 2。
表 2 7个农艺性状指标代号及名称Table 2. Number and name of 7 agronomic traits indicator代号 性状名称 x1 株高/cm x2 底荚高度/cm x3 主茎节数/节 x4 有效分枝数/个 x5 单株粒数/粒 x6 单株粒重/g x7 百粒重/g 1.2.3 粗蛋白与粗脂肪含量测定
挑选饱满、无虫食的大豆籽粒,采用近红外谷物分析仪(InfratecTM 1241)进行粗蛋白和粗脂肪含量测定,每个性状测定3次,以3次测定值的平均值作为该性状指标值,将这两个性状指标分别编号为x8、x9。
1.3 数据处理与分析
上述7个农艺性状指标和2个品质性状指标数据用Excel 2010软件进行处理,用SPSS 22.0软件分别基于综合主成分值和基于农艺性状标准化数据作系统聚类分析,并对两种聚类分析方法的结果进行比较。
2. 结果与分析
2.1 9个主要性状的统计分析
39份春大豆种质材料9个主要性状的室内考种数据及其统计分析结果列于表 3。由表 3可知,参试大豆种质材料之间的农艺性状差异很大,其中:株高、底荚高、主茎节数是决定植株株型的主要因素,变异系数分别为18.62%、23.79%、15.55%;有效分枝数、单株粒数、单株粒重、百粒重是构成产量的重要因素,变异系数分别为22.12%、27.63%、22.15%、11.49%;而粗蛋白含量和粗脂肪含量是影响大豆品质的重要因素,变异系数分别为4.36%和4.51%。大豆行业中,粗蛋白含量≥45%的被称为高蛋白型大豆,粗脂肪含量≥21.5%的被称为高油型大豆。本试验中,粗蛋白含量赣豆10号最小、华春11号最大,高蛋白型大豆种质有15份,占比为38.46%;粗脂肪含量福豆234最小、冀豆1514最大,高油型大豆种质有16份,占比为41.03%;高蛋白高油型大豆种质有1份(中黄306),占比为2.56%。试验结果表明,参试春大豆种质资源材料在株型性状因素、产量构成因素、品质因素上可供选择的育种材料均较丰富。
表 3 9个主要性状的统计分析结果Table 3. Statistical analysis table of 9 agronomic traits of 39 soybean germplasm materials(单位/%) 性状 平均值 标准偏差 变异系数 株高x1 49.53 9.22 18.62 底荚高度x2 9.58 2.28 23.79 主茎节数x3 11.14 1.73 15.55 有效分枝数x4 3.31 0.73 22.12 单株粒数x5 54.46 15.05 27.63 单株粒重x6 10.35 2.29 22.15 百粒重x7 21.06 2.42 11.49 粗蛋白含量x8 44.50 1.94 4.36 粗脂肪含量x9 21.56 0.97 4.51 2.2 基于株型与产量性状的主成分分析
对39份春大豆种质株型和产量性状因子进行主成分分析,由表 4和表 5可知,7个性状指标间存在着相关性,且某些性状间的相关性达到极显著水平,存在信息重叠,适宜作因子分析。
表 4 KMO和Bartlett的球形度检验Table 4. KMO and Bartlett's sphericity testKMO取样适切性量数 0.527 Bartlett的球形度检验 上次读取的卡方 110.094 自由度 21 显著性 0.000 表 5 7个农艺性状间的相关系数矩阵Table 5. Correlation coefficient matrix of 7 agronomic traits性状
代号x1 x2 x3 x4 x5 x6 x2 0.556** x3 0.515** 0.565** x4 0.239 0.017 0.601** x5 0.332* -0.038 -0.046 -0.014 x6 0.124 -0.172 -0.194 -0.101 0.736** x7 -0.348* -0.135 -0.098 0.008 -0.522** -0.174 由表 6可知,在所有的主成分构成中,信息主要都集中在前三个主成分中,得到三个特征值大于1的主成分因子,分别命名为MF1、MF2、MF3,其累计总方差贡献率达到79.433%,MF1方差贡献率最大,为34.499%,MF2、MF3方差贡献率分别为29.747%和15.187%。由表 7可知,株高、主茎节数、底荚高度在MF1上有较高的载荷,这说明MF1主要反映了这3个性状的信息,可称为株型性状因子,且MF1与这3个性状均呈正相关;单株粒数、单株粒重、百粒重、有效分枝数在MF2中有较高的载荷,这说明MF2主要反映了这4个性状的信息,可称为产量性状因子,且MF2与单株粒数、单株粒重均呈正相关,与百粒重、有效分枝数均呈负相关;MF3中除了有效分枝数和底荚高度有较高的载荷外,其余的性状载荷都比较低,而前两个主成分因子(MF1、MF2)已经能说明所考察的7个性状的信息,因此只选取前两个主成分因子进行分析。
表 6 主成分因子的方差贡献率Table 6. Variance contribution rate of principal component factors主成分 初始特征值 提取载荷平方和 特征值 方差百分比/% 累积总方差贡献率/% 特征值 方差百分比/% 累积总方差贡献率/% 1(MF1) 2.415 34.499 34.499 2.415 34.499 34.499 2(MF2) 2.082 29.747 64.246 2.082 29.747 64.247 3(MF3) 1.063 15.187 79.433 1.063 15.187 79.434 4 0.735 10.501 89.935 5 0.356 5.086 95.022 6 0.182 2.595 97.617 表 7 初始因子载荷矩阵Table 7. Matrix of initial factor load性状因子 主成分 MF1 MF2 MF3 株高x1 0.851 0.068 -0.161 主茎节数x3 0.785 -0.454 0.198 底荚高度x2 0.675 -0.308 -0.539 单株粒数x5 0.389 0.857 0.125 单株粒重x6 0.113 0.830 0.221 百粒重x7 -0.483 -0.492 0.195 有效分枝数x4 0.471 -0.334 0.778 用表 7中的数据除以相对应的主成分的特征值(2.415和2.082)的平方根,得到2个主成分中每个因子所对应的特征向量MF11和MF22[5],如表 8所示。
表 8 因子特征向量矩阵Table 8. Matrix of factor eigenvector性状因子 主成分特征向量 MF11 MF22 株高x1 0.548 0.047 主茎节数x3 0.505 -0.315 底荚高度x2 0.434 -0.213 单株粒数x5 0.250 0.594 单株粒重x6 0.073 0.575 百粒重x7 -0.311 -0.341 有效分枝数x4 0.303 -0.231 将7个性状的原始数据进行标准化处理,获得7组新的标准化数据zx1至zx7。将7个性状的特征向量与相对应的标准化数据相乘,分别得到第一主成分总特征值(F1)和第二主成分总特征值(F2),结果列于表 9。
F1=0.548zx1+0.434zx2+0.505zx3+0.303zx4+0.250zx5+0.073zx6−0.311zx7 F2=0.047zx1−0.213zx2−0.315zx3−0.231zx4+0.594zx5+0.575zx6−0.341zx7 表 9 39份大豆种质各主成分值及其排名Table 9. The main component values and ranking of 39 soybean germplasms种质材料 第一主成分(F1) 排名 第二主成分(F2) 排名 综合主成分(F) 排名 中黄302 -1.269 31 -0.508 28 -0.917 35 中黄306 -1.694 36 0.256 16 -0.791 34 中黄320 -0.616 28 1.507 2 0.365 12 中黄325 -1.361 33 0.954 6 -0.291 27 冀豆23 -3.427 39 -0.279 25 -1.969 39 冀1514 -1.418 35 0.255 17 -0.644 32 郑1307 0.650 12 -0.141 23 0.283 13 苏豆28号 0.424 16 0.306 13 0.369 11 苏豆29号 -0.428 23 -0.675 32 -0.542 31 成豆17 -1.354 32 -2.151 39 -1.720 38 成豆18 -1.841 37 -1.350 38 -1.613 37 贡1245 -0.140 21 1.496 3 0.615 9 贡7183 0.377 17 0.079 18 0.239 15 南春豆31 -2.242 38 -0.192 24 -1.292 36 赣豆10号 -1.390 34 0.816 8 -0.370 30 福豆12号 0.709 11 -0.514 29 0.144 19 福豆13号 -0.485 26 0.626 9 0.029 23 福豆14号 1.353 6 -1.103 36 0.217 17 福豆234 1.477 4 -0.138 22 0.730 7 莆豆610 0.339 18 -0.326 26 0.032 22 莆豆704 -0.108 20 -1.312 37 -0.664 33 泉豆17 0.760 10 -0.957 35 -0.034 24 泉豆20 1.358 5 0.524 10 0.971 4 泉豆22 1.975 3 0.268 14 1.185 2 泉豆23 2.060 2 -0.802 33 0.735 6 泉豆24 0.486 15 0.025 20 0.272 14 泉豆25 -0.484 25 -0.111 21 -0.312 28 桂春豆121 4.027 1 -0.436 27 1.961 1 桂春1016 0.596 14 -0.816 34 -0.057 26 桂春1602 0.608 13 -0.528 30 0.082 21 桂春1603 0.233 19 1.189 4 0.675 8 桂春1805 1.193 8 0.257 15 0.759 5 桂春1806 1.308 7 0.819 7 1.081 3 华春2号 -0.646 29 1.584 1 0.386 10 华春7号 0.951 9 -0.624 31 0.222 16 华春11号 -0.689 30 0.053 19 -0.346 29 粤春2016-1 -0.473 24 0.443 12 -0.049 25 粤春2016-2 -0.552 27 1.014 5 0.173 18 粤春2017-1 -0.266 22 0.492 11 0.084 20 再以每个主成分的特征值占所提取的所有主成分的特征值总和的比例作为权重计算每个参试样品的综合主成分值(F),结果列于表 9。
F=0.316zx1+0.134zx2+0.125zx3+0.056zx4+0.409zx5+0.305zx6−0.325zx7 2.3 基于综合主成分值的聚类分析
用39份大豆的7个农艺性状的主成分综合得分数据,选用欧氏距离,Ward(离差平方和)法进行系统聚类分析,构建树状图(图 1)。由图 1可见,可将39份大豆种质分为3个大类2个亚类。第1大类包含2个亚类,第1个亚类共25份种质,第2个亚类共9份种质;第2大类共4份种质;第3大类仅有1份种质,即桂春豆121。说明桂春豆121与其他38份大豆种质资源间的遗传距离最大,即亲缘关系最远。
2.4 基于性状数据的聚类分析
本试验中所考察的数量性状包括株高、底荚高度、主茎节数、有效分枝数、单株粒数、单株粒重、百粒重、粗蛋白质含量、粗脂肪含量。将39份大豆种质资源的9个性状原始数据作标准化处理,选用欧氏距离,Ward(离差平方和)法进行系统聚类分析,构建树状图(图 2)。由图 2可见,可将39份大豆种质资源分为3个大类4个亚类,第1大类包含2个亚类,第1个亚类共24份种质,第2个亚类共4份种质;第2大类包含2个亚类,第1个亚类共3份种质,第2个亚类共7份种质;第3大类仅有1份种质,即桂春豆121。说明桂春豆121与其余种质间遗传距离最大,亲缘关系最远。
3. 讨论与结论
3.1 主成分分析
经主成分分析,可用2个主成分因子代替原本的7个株型和产量性状因子来对参试大豆种质进行说明。第一主成分(MF1)主要是与株型性状相关的因子,且与株高、底荚高度、主茎节数这3个性状都呈正相关,说明MF1值越大,植株越高、底荚高度越高、主茎节数越多;第二主成分(MF2)主要是与产量性状相关的因子,且与单株粒数、单株粒重呈正相关,与百粒重、有效分枝数呈负相关,说明MF2值越大,单株粒数越多、单株粒重越大、百粒重越小、有效分枝数越少。
3.2 两种聚类结果的比较
分别进行了基于主成分值的聚类分析(第一种聚类方法)和基于9个农艺性状标准化数据的系统聚类分析(第二种聚类方法),以下简要总结一下两种聚类方法聚类结果的异同点。
相同点:两种聚类分析结果都首先将桂春豆121归为单独的一个大类,这说明桂春豆121与其余的38份大豆种质资源的遗传距离是最远的;两种聚类分析都将粤春2016-1、粤春2016-2、粤春2017-1、桂春1016、桂春1602、桂春1603、桂春1805、桂春1806、福豆13、中黄320、苏豆28号、贡1245、贡7183、泉豆20、泉豆23、泉豆24、华春2号、华春7号、郑1307归在同一个大类中,这说明这19份大豆种质具有某种程度上的相似性,遗传距离比较近;两种聚类方法均将泉豆25、中黄302、中黄306、中黄325、赣豆10号、华春11号、冀1514、苏豆29归到同一个大类中,这说明这8份大豆种质遗传距离比较近。
不同点:虽然两种聚类分析方法都将莆豆610、泉豆17、泉豆22、福豆12号、福豆14号、福豆234归在同一个大类里,但是第一种聚类方法将这6个样品归到与泉豆20同一个大类中,而第二种聚类分析方法将这6个样品与莆豆704一起单独归为一个大类;虽然两种聚类方法均将成豆17、成豆18、南春豆31归到同一个大类中,但是第一种聚类方法将冀豆23也归到这个大类中,而第二种方法则将这3份种质归到与泉豆25同一个大类中。
综上所述,两种聚类方法的聚类结果虽然有一定的差异,但是总体上都能将遗传距离比较近的大豆种质都归到同一个大类中,结果基本上是一致的。为更确切地了解这39份大豆种质信息,有待于后续进一步进行基于分子水平的遗传多样性分析。
由本试验结果可见,不同春大豆种质资源在株型、产量、品质性状上均存在较大的差异,这为培育高产优质的大豆新品种提供了较丰富的选择机会。在后续的育种生产上,结合39份春大豆种质的聚类分析结果,以及对粗蛋白含量、粗脂肪含量数据的分析结果,将聚类分析中归为不同类的高蛋白型或高油型或双高型的大豆种质配制杂交组合,以期培育出高产、高蛋白、高油型的大豆新品种。
-
图 9 γ-PGA添加量不同时面团的环境扫描电镜成像(×1 000)
注:图中a–i表示γ-PGA添加量分别为0.0%、0.1%、0.2%、0.3%、0.4%、0.5%、0.6%、0.7%、0.8%。
Figure 9. Environmental scanning electron microscope imaging of dough with varied γ-polyglutamic acid additions
Note: a–i, the addition of γ-PGA is 0.0%, 0.1%, 0.2%, 0.3%, 0.4%, 0.5%, 0.6%, 0.7%, 0.8%.
图 12 γ-PGA添加量下不同面团的质子密度成像
注:a–e:γ-PGA添加0.0%,和面时间分别为2、11、17、27和35 min;f–j:γ-PGA添加0.3%,和面时间分别为2、11、21、29 和35 min;k–o:γ-PGA添加0.7%,和面时间分别为2、11、19、23和35 min。
Figure 12. Surface proton density imaging of doughs with added γ-polyglutamic acid at 3 levels
Note:a–e:The addition of γ-PGA is 0%, the dough time is 2 , 11, 17 , 27, 35 min;f–j:The addition of γ-PGA is 0.3%, the dough time is 2, 11, 21, 29, 35 min;k–o:The addition of γ-PGA is 0.7%,the dough time is 2, 11, 19, 23, 35 min.
表 1 不同γ-PGA添加量下面团的弛豫时间T23与质构特性的相关性
Table 1 Correlation between relaxation time T23 and texture of dough with varied γ-polyglutamic acid additions
控制变量
Control variables质构特性 Texture properties 硬度 Hardness/g 粘聚性 Cohesiveness 回复性 Resilience 胶着性 Gumminess 咀嚼性 Chewiness/g T23 皮尔森相关系数 Pearson 0.278 −0.882** −0.873** −0.786* −0.519 显著性(双侧)Significant(two sides) 0.468 0.002 0.002 0.012 0.152 n 9 9 9 9 9 注:**表示在0.01水平(双侧)上显著相关;*表示在0.05水平(双侧)上显著相关。表2~4同。
Note: ** indicates significant correlation at the 0.01 level (both sides); * indicates significant correlation at the 0.05 level (both sides). The same as Table 2–4.表 2 不同 γ-PGA添加量下面团的质子密度与拉伸特性的相关性分析
Table 2 Correlation analysis of proton density and tensile properties of dough with varied γ-polyglutamic acid additions
控制变量
Control variables质子密度 Proton density M21 M22 M23 拉断力 Tensile force/g 皮尔森相关系数 Pearson 0.856** 0.682* −0.711* 显著性(双侧)Significant (two sides) 0.030 0.043 0.032 n 9 9 9 表 3 和面阶段M21变化与质构特性变化的相关性
Table 3 Correlation between M21 and texture of dough in formation
控制变量 Control variables 质构特性 Texture properties 硬度 Hardness/g 粘聚性 Cohesiveness 回复性 Resilience M21 皮尔森相关系数 Pearson 0.337 0.564* 0.620* 显著性(双侧)Significant(two sides) 0.260 0.045 0.024 n 13 13 13 表 4 γ-PGA添加量和最佳和面时间的相关性
Table 4 Correlation of γ-polyglutamic acid addition and optimal dough-formation time
控制变量
Control variables最佳和面时间
Best dough time/minγ-PGA添加量
γ-PGA addition/%皮尔森相关系数 Pearson 0.805** 显著性(双侧)
Significant(two sides)0.009 n 9 表 5 γ-PGA添加量和最佳和面时间的曲线估计
Table 5 Estimation curve for optimal dough-formation time in relation to γ-polyglutamic acid addition
方程 Equation 模型汇总 Model summary 参数估计值 Parameter estimate R2 F df1 df2 Sig. 常数 constant b1 b2 b3 线性 Linear 0.648 12.887 1 7 0.009 18.911 7.167 二次 Quadratic 0.942 49.096 2 6 0.000 16.921 24.223 −21.320 三次 Cubic 0.943 27.372 3 5 0.002 16.879 25.137 −24.351 2.525 复合 Compound 0.651 13.064 1 7 0.009 18.830 1.417 增长 Growth 0.651 13.064 7 7 0.009 2.935 0.349 指数 Exponential 0.651 13.064 7 7 0.009 18.830 0.349 逻辑 Logistic 0.651 13.064 7 7 0.009 0.053 0.706 -
[1] 李超然, 吴坤, 刘燕琪, 等. γ-聚谷氨酸对面团性质及面条质构特性的影响 [J]. 河南农业大学学报, 2014, 48(2):204−209. LI C R, WU K, LIU Y Q, et al. Effect of γ-PGA on the dough properties and noodle texture [J]. Journal of Henan Agricultural University, 2014, 48(2): 204−209.(in Chinese)
[2] 范逸超, 谢新华, 沈玥, 等. γ-聚谷氨酸对小麦淀粉糊化及流变学特性的影响 [J]. 中国粮油学报, 2019, 34(5):33−37. DOI: 10.3969/j.issn.1003-0174.2019.05.007 FAN Y C, XIE X H, SHEN Y, et al. Effect of poly-γ-glutamic acid on the pasting and rheological properties of wheat starch [J]. Journal of the Chinese Cereals and Oils Association, 2019, 34(5): 33−37.(in Chinese) DOI: 10.3969/j.issn.1003-0174.2019.05.007
[3] LIM S M, KIM J, SHIM J Y, et al. Effect of poly-γ-glutamic acids (PGA) on oil uptake and sensory quality in doughnuts [J]. Food Science and Biotechnology, 2012, 21(1): 247−252. DOI: 10.1007/s10068-012-0032-2
[4] SHYU Y S, HWANG J Y, HSU C K. Improving the rheological and thermal properties of wheat dough by the addition of γ-polyglutamic acid [J]. LWT - Food Science and Technology, 2008, 41(6): 982−987. DOI: 10.1016/j.lwt.2007.06.015
[5] SHYU Y S, SUNG W C. Improving the emulsion stability of sponge cake by the addition of γ-Polyglutamic acid [J]. Journal of Marine Science and Technology (Taiwan), 2010, 18(6): 895−900.
[6] 赵凯亚, 姬晓月, 沈亚鹏, 等. 聚谷氨酸对油条特性与品质的影响 [J]. 河南工业大学学报(自然科学版), 2017, 38(4):75−80. ZHAO K Y, JI X Y, SHEN Y P, et al. EFFECT OF POLY-γ-GLUTAMIC ACID ON THE QUALITY OF TRADITIONAL FRIED DOUGH STICK [J]. Journal of Henan University of Technology(Natural Science Edition), 2017, 38(4): 75−80.(in Chinese)
[7] 谢新华, 毋修远, 张蓓, 等. γ-聚谷氨酸对面筋蛋白功能特性的影响 [J]. 麦类作物学报, 2018, 38(8):1004−1009. DOI: 10.7606/j.issn.1009-1041.2018.08.17 XIE X H, WU X Y, ZHANG B, et al. Effect of γ-polyglutamic acid on functional properties of gluten protein [J]. Journal of Triticeae Crops, 2018, 38(8): 1004−1009.(in Chinese) DOI: 10.7606/j.issn.1009-1041.2018.08.17
[8] 谢新华, 毋修远, 张蓓, 等. γ-聚谷氨酸对面筋蛋白冻藏稳定性的影响 [J]. 农业机械学报, 2018, 49(7):369−374. DOI: 10.6041/j.issn.1000-1298.2018.07.045 XIE X H, WU X Y, ZHANG B, et al. Effect of poly-γ-glutamicacid on freezing stability of gluten protein [J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(7): 369−374.(in Chinese) DOI: 10.6041/j.issn.1000-1298.2018.07.045
[9] 谢新华, 范逸超, 徐超, 等. γ-聚谷氨酸对小麦淀粉凝胶冻融稳定性的影响 [J]. 食品与发酵工业, 2019, 45(14):97−101. XIE X H, FAN Y C, XU C, et al. Effects of γ-polyglutamic acid on freeze-thaw stability of wheat starch gel [J]. Food and Fermentation Industries, 2019, 45(14): 97−101.(in Chinese)
[10] 丁珊珊, 贾春利, 张峦, 等. γ-聚谷氨酸提高冷冻甜面团面包质构和感官特性研究 [J]. 食品工业科技, 2014, 35(16):308−311, 322. DING S S, JIA C L, ZHANG L, et al. Study on the enhancement of texture and sensory attributes of frozen sweet dough bread using γ-poly glutamic acid [J]. Science and Technology of Food Industry, 2014, 35(16): 308−311, 322.(in Chinese)
[11] 姬晓月, 王双燕, 耿鹏, 等. γ-聚谷氨酸对速冻水饺品质的影响 [J]. 食品与发酵工业, 2018, 44(12):180−187. JI X Y, WANG S Y, GENG P, et al. Effect of poly-γ-glutamic acid on qualities of quick-frozen dumplings [J]. Food and Fermentation Industries, 2018, 44(12): 180−187.(in Chinese)
[12] 宁年英, 林向阳, 林婉瑜, 等. 利用低场核磁共振研究擂溃过程对鲜猪肉糜持水性的影响 [J]. 中国食品学报, 2013, 13(2):50−59. NING N Y, LIN X Y, LIN W Y, et al. Using the low-field NMR to study the effect of blending on water holding capacity of fresh minced pork [J]. Journal of Chinese Institute of Food Science and Technology, 2013, 13(2): 50−59.(in Chinese)
[13] 孙彩玲, 田纪春, 张永祥. TPA质构分析模式在食品研究中的应用 [J]. 实验科学与技术, 2007, 5(2):1−4. DOI: 10.3969/j.issn.1672-4550.2007.02.001 SUN C L, TIAN J C, ZHANG Y X. Application of TPA test mode in the study of food [J]. Experiment Science & Technology, 2007, 5(2): 1−4.(in Chinese) DOI: 10.3969/j.issn.1672-4550.2007.02.001
[14] 李妍, 林向阳, 叶南慧, 等. 利用核磁共振技术研究海带面团面筋网络结构形成过程 [J]. 中国食品学报, 2014, 14(12):39−48. LI Y, LIN X Y, YE N H, et al. Using the low-field NMR to study the formation of gluten network structure of kelp dough [J]. Journal of Chinese Institute of Food Science and Technology, 2014, 14(12): 39−48.(in Chinese)
[15] KILBORN R H, TIPPLES K H. Implications of the Mechanical Development of Bread Dough by Means of Sheeting Rolls [J]. Cereal Chemistry, 1974, 51(5): 648−657.
[16] ROSS K A, PYRAK-NOLTE L J, CAMPANELLA O H. The use of ultrasound and shear oscillatory tests to characterize the effect of mixing time on the rheological properties of dough [J]. Food Research International, 2004, 37(6): 567−577. DOI: 10.1016/j.foodres.2004.02.013
[17] ZHENG H, MORGENSTERN M, CAMPANELLA O, et al. Rheological properties of dough during mechanical dough development [J]. Journal of Cereal Science, 2000, 32(3): 293−306. DOI: 10.1006/jcrs.2000.0339
[18] DOBRASZCZYK B, MORGENSTERN M. Rheology and the breadmaking process [J]. Journal of Cereal Science, 2003, 38(3): 229−245. DOI: 10.1016/S0733-5210(03)00059-6
[19] HARASZI R, LARROQUE O R, BUTOW B J, et al. Differential mixing action effects on functional properties and polymeric protein size distribution of wheat dough [J]. Journal of Cereal Science, 2008, 47(1): 41−51. DOI: 10.1016/j.jcs.2007.01.007
[20] WOODING A R, KAVALE S, MACRITCHIE F, et al. Link between mixing requirements and dough strength [J]. Cereal Chemistry Journal, 1999, 76(5): 800−806. DOI: 10.1094/CCHEM.1999.76.5.800
[21] 贺建业, 冯雨丁. 面团的结构 [J]. 四川大学学报(自然科学版), 1998, 35(5):729−736. HE J Y, FENG Y D. The structure of dough [J]. Journal of Sichuan University (Natural Science Edition), 1998, 35(5): 729−736.(in Chinese)
[22] 罗登林, 梁旭苹, 徐宝成, 等. 菊粉对面团中水分迁移行为的影响规律研究 [J]. 农业机械学报, 2017, 48(2):335−341. DOI: 10.6041/j.issn.1000-1298.2017.02.045 LUO D L, LIANG X P, XU B C, et al. Effect of inulin on moisture migration behavior in wheat dough [J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 335−341.(in Chinese) DOI: 10.6041/j.issn.1000-1298.2017.02.045
[23] 林向阳. 核磁共振及成像技术在面包制品加工与储藏过程中的研究[D]. 南昌: 南昌大学, 2006. LIN X Y. Study of bread during processing and storage using NMR and MRI techniques[D]. Nanchang: Nanchang University, 2006.(in Chinese)
[24] SOZER N. Rheological Properties of Rice Pasta Dough Supplemented with Proteins and Gums [J]. Food Hydrocolloids, 2009, 23(3): 849−855. DOI: 10.1016/j.foodhyd.2008.03.016
-
期刊类型引用(23)
1. 林文磊,吕美琴,李明松,施迎迎,康蓉蓉,曾红英. 47份福建省鲜食春大豆种质资源的遗传分析及综合评价. 福建农业学报. 2024(03): 276-289 . 本站查看
2. 韩岱,时晓磊,丁孙磊,张金波,严勇亮. 60份大豆种质资源苗期耐盐性鉴定评价. 大豆科学. 2023(04): 494-505 . 百度学术
3. 隋翔鹏,周永刚,孙鹏宇,李森权,叶开烨,王栋灵,井妍,李海燕. 中国热区适应性高产大豆种质的评价与筛选. 分子植物育种. 2023(21): 7292-7299 . 百度学术
4. 杨芳,梁海燕,宋晓强,邓亚蕊,李海. 晋北地区15个苜蓿品种产量及品质分析. 饲料研究. 2023(18): 119-123 . 百度学术
5. 李妍颖,李梅梅,杨琪,陈丽慧,李伯辽,房爱省,何柯杭,董继广,赵玉婉,于志浩,郝引川,仵均祥. 亚洲玉米螟为害对玉米产量的影响与防治指标研究. 植物保护. 2022(01): 82-89 . 百度学术
6. 李炜,毕影东,刘建新,王玲,刘淼,邸树峰,樊超,杨光,谢婷婷,来永才. 寒地野生大豆资源农艺性状的相关性和主成分分析. 土壤与作物. 2022(01): 10-17 . 百度学术
7. 陈观杰,郑殿峰,冯乃杰,沈雪峰,母德伟,刘玲,李甜子,周行,齐德强,谢平. 雷州半岛地区大豆农艺性状因子和聚类分析. 浙江农业科学. 2022(03): 485-491+523 . 百度学术
8. 王玲燕,黄金华,张素平,黄中文,董彦琪,朱红彩,唐振海. 夏大豆种质资源农艺性状与产量的多样性分析. 湖北农业科学. 2022(10): 15-19+47 . 百度学术
9. 黎松松,赖建军,张红梅,崔晓艳,刘晓庆,陈新,朱月林,陈华涛. 江苏鲜食春大豆种质资源表型鉴定及综合评价. 大豆科学. 2022(04): 385-396 . 百度学术
10. 杨芳,梁海燕,林凤仙,宋晓强,邓亚蕊,李海. 24份黍子材料农艺性状主成分和聚类分析. 农学学报. 2022(08): 27-34 . 百度学术
11. 郭敏杰,邓丽,李玉荣,王瑾,任丽. 基于主成分和聚类分析的冀花高油酸花生品种综合评价. 中国油料作物学报. 2022(06): 1210-1217 . 百度学术
12. 王玲燕,刘贺娟,任福森,唐振海,董彦琪,刘震宇. 98份大葱种质资源农艺性状相关性及主成分分析. 中国瓜菜. 2021(08): 38-43 . 百度学术
13. 李艳红,聂俊,郑锦荣,谭德龙,张长远,史亮亮,谢玉明. 华南地区樱桃番茄表型性状遗传多样性分析及综合评价. 园艺学报. 2021(09): 1717-1730 . 百度学术
14. 李琼,常世豪,舒文涛,杨青春,李金花,张东辉,张保亮,张来成,耿臻. 黄淮海地区夏大豆(南片)46份大豆品种(系)农艺性状综合分析. 新疆农业科学. 2021(10): 1765-1774 . 百度学术
15. 范继征,石达金,吕巨智,唐国荣,程伟东. 基于关联度、主成分和聚类分析的西南区玉米新组合评价. 种子. 2020(01): 102-110 . 百度学术
16. 郑淑琳,石玉涛,王飞权,张渤,王涵,林立,石元值,叶乃兴. 乌龙茶种质资源矿质元素含量特征分析与评价. 福建农业学报. 2020(02): 150-160 . 本站查看
17. 石玉涛,郑淑琳,王飞权,陈荣冰,李远华,张渤,王涵,林立. 武夷名丛茶树种质资源矿质元素含量特征分析. 中国农业科技导报. 2020(07): 37-50 . 百度学术
18. 刘珮君,王晓敏,李国花,郑福顺,赵宇飞,胡新华,付金军,高艳明,李建设. 166份番茄种质资源的综合评价. 云南大学学报(自然科学版). 2020(04): 792-803 . 百度学术
19. 刘杰,张春宵,李淑芳,曹铁华,梁烜赫,刘学岩,马永鑫,郑大浩,李晓辉. 81份玉米杂交种萌发期耐冷性的鉴定和评价. 玉米科学. 2020(05): 20-26+31 . 百度学术
20. 吕丹,黎瑞源,郑冉,郑俊青,朱丽伟,石桃雄,陈庆富. 213份苦荞种质资源主要农艺性状分析及高产种质筛选. 南方农业学报. 2020(10): 2429-2439 . 百度学术
21. 李方舟,张海生,王军,杨婷婷,古晓红,李广信,刘晋联. 山西省大豆多点试验品系农艺性状分析. 山西农业科学. 2019(06): 931-934+1010 . 百度学术
22. 王婷婷,韦小丽,张兰. 贵州不同种源棕榈苗期生长性状比较及评价. 经济林研究. 2019(03): 146-152 . 百度学术
23. 牟书靓,牛海龙,李伟堂,杨翔宇,王曙文,刘红欣,何中国. 花生种质资源农艺性状主成分及聚类分析. 辽宁农业科学. 2019(06): 1-5 . 百度学术
其他类型引用(3)